Depth Anything 3

Depth Anything 3 就是一个普通的 DINOv2 transformer，训练目标是从一个或多个视角预测深度和相机几何，没有任何架构上的特化。LibreYOLO 为深度任务移植了它的 DA3MONO-LARGE 检查点：支持预测和零样本（zero-shot）验证，没有训练路径。

任务: depth
尺寸: l at 504 px
安装: pip install libreyolo
支持层级: 仅推理，自 v 起。仅支持预测、验证和导出。训练相关的功能不适用。
上游: Depth Anything 3，由 ByteDance Seed 发布，采用 Apache-2.0 许可。论文、源码
许可: 代码采用 Apache-2.0，权重采用 Apache-2.0。商用

安装

Depth Anything 3 不需要任何可选 extra。它导入的一切都在基础安装里。

bash

pip install libreyolo

预测

权重在首次使用时从 Hugging Face 下载，并缓存在本地。

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreDepthAnything3l-depth.pt")result = model(SAMPLE_IMAGE, save=True) depth = result.depth_mapprint(depth.min, depth.max, depth.mean)

CLI

libreyolo predict model=LibreDepthAnything3l-depth.pt source=https://raw.githubusercontent.com/LibreYOLO/libreyolo/release/libreyolo/assets/parkour.jpg save=True

读取深度图

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreDepthAnything3l-depth.pt")result = model(SAMPLE_IMAGE) depth = result.depth_map    # DepthMap：稠密的 (H, W)，数值越大越近raw = depth.data                # 张量，没有度量单位，也没有跨图像的尺度normalized = depth.normalized() # 重新缩放到 [0, 1] 以便可视化

result.depth_map 装的是一张稠密的相对逆深度图：数值越大表示离相机越近，而且这些数值没有度量单位，也没有跨图像的尺度。上游检查点（checkpoint）输出的是正的相对深度；LibreYOLO 的网络包装器把它取逆，并复现了官方的天空处理，让输出符合 LibreYOLO 共享的深度契约。save=True 会把这张图经过色彩映射的可视化结果写入磁盘；Results.plot() 不覆盖这个家族，因为它只为表面法线和边缘定义。数据源、流式处理和结果处理见预测。

变体

只有一种尺寸 l，输入分辨率固定。上游 DA3 还发布了 Small 和 Base 的 any-view 检查点、一个度量深度（metric depth）检查点，以及 Nested 和 Giant 检查点； LibreYOLO 一个都没有对外提供。度量深度需要一套不同于 LibreYOLO 相对逆深度任务的公开契约，而 any-view 和 Nested 检查点需要一套 LibreYOLO 并不提供的多图像相机 API。Large 和 Giant 的 any-view 检查点还采用 CC-BY-NC-4.0 许可，任何 LibreYOLO 下载路径都没有引用它们。

这个家族不提供训练。LibreDepthAnything3.train() 无条件抛出 NotImplementedError；请在上游训练，再用 weights/convert_depth_anything3_weights.py 转换一个兼容的 DA3MONO-LARGE 检查点。

验证

val() 运行共用的深度验证器：它用逐图像的最小二乘尺度和偏移把每个预测对齐到它的真值（ground truth），然后报告标准的零样本相对深度指标，即 AbsRel、RMSE 和三个 delta 阈值。

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreDepthAnything3l-depth.pt")metrics = model.val(data="my-dataset.yaml") print(metrics["metrics/abs_rel"])print(metrics["metrics/rmse"])print(metrics["metrics/delta1"])

CLI

libreyolo val model=LibreDepthAnything3l-depth.pt data=my-dataset.yaml

导出

任务	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
depth	depth to ONNX：支持	depth to TorchScript：支持	depth to ExecuTorch：支持	depth to TensorRT：支持	depth to OpenVINO：支持	depth to Paddle：不支持	depth to MNN：不支持	depth to RKNN：不支持	depth to ncnn：不支持	depth to TFLite：不支持	depth to CoreML：不支持	depth to Core AI：不支持

这个家族的导出限定在五种格式：ONNX、TorchScript、ExecuTorch、TensorRT 和 OpenVINO。请求其他任何格式都会抛出 NotImplementedError，而不是去尝试一次未经验证的转换。导出的产物按文件后缀经由 LibreYOLO() 重新加载，所以一个 .onnx 或 .engine 文件的表现和检查点一样，返回同样的 Results，只是用 depth_map 取代检测框。

Python

from libreyolo import LibreYOLO model = LibreYOLO("LibreDepthAnything3l-depth.pt")model.export(format="onnx")model.export(format="tensorrt", half=True)

CLI

libreyolo export model=LibreDepthAnything3l-depth.pt format=onnxlibreyolo export model=LibreDepthAnything3l-depth.pt format=tensorrt half=True

使用导出的文件

from libreyolo import LibreYOLO, SAMPLE_IMAGE # 工厂按文件后缀分发，所以导出的产物加载方式和任何检查点一样，# 返回的也是同一个 Results 对象model = LibreYOLO("LibreDepthAnything3l-depth.onnx")result = model(SAMPLE_IMAGE) print(result.depth_map.data.shape)

检查点

这个家族已发布的全部权重文件。

文件	输入（px）	权重许可
depth
LibreDepthAnything3l-depth.pt		apache-2.0

上面的每个文件目前都在 LibreYOLO 组织中，并会在首次使用时下载。

许可证

请检查你所下载的具体权重在 Hugging Face 仓库中的许可。LibreYOLO 组织里的每个检查点都附有许可，同一家族内也不一定相同。该仓库是权威来源；以下摘要说明本页上次验证时适用的情况。

这里只说明涉及的许可证，不构成法律意见。如果答案对商用很重要，请自行阅读许可证并咨询法律顾问。

原始工作: Depth Anything 3, ByteDance Seed
上游许可: Apache-2.0
上游来源: github.com/ByteDance-Seed/Depth-Anything-3
LibreYOLO 代码: MIT
权重: 采用 Apache-2.0 许可，重新发布在 huggingface.co/LibreYOLO
解读: Apache-2.0 is a permissive license, so the DA3MONO-LARGE checkpoint LibreYOLO ports can be used in commercial and closed-source products. It asks you to keep its license text and attribution notices with any copy you redistribute, and it grants a patent license. It places no obligation on your own application code. The upstream project also publishes CC-BY-NC-4.0 Large, Giant and Nested checkpoints for its any-view and multi-view modes; LibreYOLO does not port those, so that non-commercial license never reaches anything this family downloads.

引用

@article{depthanything3,
  title={Depth Anything 3: Recovering the visual space from any views},
  author={Haotong Lin and Sili Chen and Jun Hao Liew and Donny Y. Chen and Zhenyu Li and Guang Shi and Jiashi Feng and Bingyi Kang},
  journal={arXiv preprint arXiv:2511.10647},
  year={2025}
}

复制自作者在 github.com/ByteDance-Seed/Depth-Anything-3#-citations 上提供的引用块。